卷积神经网络

前言

学会变通，才能开启新的道路。——Hoohoo

大家好，因为最近在学SLAM14，但是由于一些原因，可能是分类过于多，我决定先把CV的前瞻课程学好——也就是深度学习这块，其实一直有了解，只是断断续续，也没有给自己一个确切的目标，毕竟现在搞视觉不带点深度学习的东西没办法搞了就。

当然深度学习其实是蛮简单的，知乎上有一篇文章：《神经网络15分钟入门！足够通俗易懂了吧》十分不错，希望有兴趣的可以去看下，当时我看的时候，脑子里浮现的就俩字，“就这？”，当然不是来质疑作者的噱头，而是震惊神经网络就这吗？直到后来，系统地看了《深度学习入门——基于python的理论与实现》，这本书很好，而且字也蛮大，看得很快，会比较有成就感，发现神经网络还真就这。

我也结合了《深度学习之TensorFlow——入门、原理与进阶实战》，看了上面那两个资料后，就会发现这本书学起来非常快，因为tf封装了许多内容，比如Loss这里，你直接调用就好了，而我当时抓耳挠腮纠结了许久原理以及求导。

但是因为我个人是有一定的python基础和机器学习基础，所以学起来觉得并没有那么难，就像是之前问过一个同学的，学学原理，发现现有的框架里封装的函数直接给你实现了，不用你搞那么多，毕竟有轮子我就不造了。

我会写一个大概的合集，来介绍目前的一些神经网络，但是是基础的神经网络，毕竟我看的书才YOLO2，现在YOLO5都出来了，而且这本书采用的是tf1… 我决定使用Pytorch，毕竟工业界用的比较多的是tf，而我们学生家家就乖乖用PyTorch吧。

不过没关系，就这样开始吧。

学习笔记

全连接网络的局限性

如果说有很多个输入节点，而且隐藏层一多，那么会导致参数过多。

比如三个全连接层的网络，输入784的话，隐藏层节点为100，即为（784 * 100 * 100 * 100 *100 * 10）…

太多了，可以参考下图。

而且全连接网络忽视了图像的形状，比如，我们一张有色彩的图片，一般是三通道的，但是全连接网络会将其压缩成1 chanel。所以全连接层无法利用与性状有关的信息。

卷积网络

卷积层

卷积层的输入输出数据称为 特征图（feature map）

输入： 输入特征图

输出： 输出特征图

卷积运算

卷积运算相当于图像处理中的滤波运算。

卷积运算非常好理解，除了我画得比较丑。

多层卷积就多层卷积就一对一，二对二进行卷积运算，然后叠加在一起成为一个。

如果想成为多个，就输入多个滤波器。

有几个滤波器，输出几个卷积。